كارايي شبكه هاي عصبي مصنوعي در برآورد محصولات گندم، جو و ذرت دانه اي

Evaluation of artificial neural network techniques for estimating maze, wheat and barley yields

از اهداف كشاورزي دقيق بهبود راندمان برداشت محصولات با اعمال مديريت صحيح مي باشد كه لازمه آن درك كامل تر روابط بين ميزان توليد محصول با خصوصيات خاك و محيط مي باشد. قدم اول و ضروري در اين فرايند يافتن روش هاي مناسب است كه قادر به تعيين روابط صحيح بين خصوصيات اندازه گيري شده خاك و محيط با ميزان بازده محصول باشد. به منظور تعيين مناطق همگن از نظر خصوصيات خاك، اقليم و توپوگرافي، پهنه بندي اكولوژي كشاورزي1 در منطقه مورد مطالعه صورت گرفت. مقدار توليد محصولات گندم، جو و ذرت دانه اي براي هر يك از پهنه ها تعيين شد. انواع روش هاي شبكه هاي عصبي مصنوعي به منظور ايجاد رابطه مناسب بين ميزان بازده محصولات و خصوصيات اراضي آزمون و نهايتاً بهترين شبكه عصبي به منظور برآورد ميزان محصول با استفاده از پارامترهاي آماري انتخاب گرديد. لايه هاي ورودي شامل خصوصيات شيميايي و فيزيكي خاك، اطلاعات اقليمي و پستي بلندي هر يك از پهنه ها مي باشد. از شبكه هاي عصبي چند لايه و آموزش با ناظر كه از نوع شبكه هاي عصبي پيشخور با الگوريتم پس انتشار به منظور برآورد محصولات استفاده گرديد. نتايج نشان داد كه شبكه هاي عصبي مصنوعي به منظور برآورد ميزان محصولات جو، گندم و ذرت با استفاده از خصوصيات اراضي كارايي خوبي دارند و شبكه هاي عصبي پيشخور با دو لايه مخفي كارآمدترين شبكه ها به منظور برآورد ميزان محصولات بدست آمد.

Precision farming attempts to improve cropping efficiency by correct planning, a necessary first step in this process is the search for techniques able to identify functional relationships between measure soil and site characteristics and crop yield. Agro ecological zoning of the region was obtained by the use of climate, soil and topographical data base and determined homogen zone for this study. Each crop yield potential was calculated and finally the crops yield were determined for each zone. A variety of supervised feedforward neural network techniques, including several variations of backpropagation were selected for investigation about barley maze and wheat yield prediction. the performance of all artificial neural networks was assessed based on calculating the mean absolute error (MAE), the root mean square error (RMSE) and the coefficient of determination (R2) of linear regression line between the predicted values from either the ANN model and the desired output was also used as a measure of performance. Input layer include soil chemical and soil physical properties as well as climatical and topography factors. In this research use of multilayer feedforward neural network with backpropagation algorithm. Artificial neural network models with two hidden layer have good accuracy between predicted and observed yield in training and validation. ANN performance show significant preciseness from land condition for predicts yield.